--- title: "Claude научился «спать»: как ИИ Anthropic сам исправляет ошибки во время простоя" description: "Anthropic показала, что Claude в периоды бездействия анализирует опыт, упорядочивает память и исправляет собственные ошибки — по аналогии со сном человека. Тесты в Pokémon Red и на корпоративных документах подтвердили рост точности ответов." date: 2026-11-10T15:55:31.004Z lang: ru url: https://xab.info/posts/claude-nauchilsya-spat-kak-chelovek-ai-isp-ravlyaet-oshibki-prostoy tags: [claude, anthropic, ai-memory, pokemon-red, ai-research, machine-learning] author: "Александр Буран, Роман В." publisher: "XAB.info" --- # Claude научился «спать»: как ИИ Anthropic сам исправляет ошибки во время простоя ![Прозрачные экраны в футуристическом офисе с интерфейсом Claude ИИ и структурой данных Wikidata](https://xab.info/media/2026/11/10/claude-nauchilsya-spat-kak-chelovek-ai-isp-ravlyaet-oshibki-prostoy/claude-nauchilsya-spat-kak-chelovek-ai-isp-ravlyaet-oshibki-prostoy-1.webp) ## Ключевые тезисы - Anthropic научила Claude анализировать опыт в периоды бездействия, сравнив этот процесс со сном человека. - В Pokémon Red точная модель Fable 5 (10 файлов, 4 значка) обошла Sonnet 3.7 (413 файлов, 1 значок) по эффективности памяти. - В режиме простоя Claude сверил заметки с текстом игры и исправил неверно записанные координаты Покецентра. - На 350 000 документах Stainless (≈420 млн токенов) модель за 128 периодов бездействия собрала викисистему, подняв точность с 13 до 48%. Команда Anthropic представила результаты исследования, в котором модель Claude научилась анализировать собственный опыт в периоды бездействия — процесс, который разработчики прямо сравнивают со сном человека. По их словам, именно в «фазе отдыха» нейросеть упорядочивает накопленную информацию, закрепляет полезные знания и, что важно, находит и исправляет собственные ошибки без внешних подсказок. Сопроводительная визуализация демонстрирует обе стороны этого подхода: модель исследует реальную сцену в дополненной реальности и одновременно структурирует полученные данные в граф знаний. ### Проблема памяти: между «помойкой» и чистым листом Исходная задача, с которой столкнулись инженеры, оказалась неочевидной: если бот записывает каждый свой шаг, его память со временем превращается в «помойку» из избыточных данных. Но если не хранить важные детали, то в следующей сессии придётся начинать с нуля. Найти баланс между полным протоколированием и точечным запоминанием — ключ к тому, чтобы модель действительно накапливала опыт, а не просто копировала его. ### Тест в Pokémon Red: точность против объёма Чтобы проверить подходы на практике, исследователи отправили Claude проходить Pokémon Red — игру, в которой нужно исследовать мир и собирать значки. Результаты после 10 000 игровых шагов оказались показательными. Модель Sonnet 3.7 хранила абсолютно всё: 413 файла в 225 папках, почти 978 000 символов, — и при этом получила лишь один значок. Claude Fable 5 действовала точечно: всего 10 файлов в 3 папках (около 43 400 символов) и четыре значка. Fable 5 записывала главное — стратегии, выводы и текущие цели, не тратя ресурсы на то, что и так видно на экране, и не теряя открытий между сессиями. ### «Сны» как механизм исправления галлюцинаций В Anthropic подчёркивают: если ИИ сохранил ложный факт, то в последующих разговорах он воспринимает его как правду. Именно «сны» — периоды бездействия — помогли избавиться от такой «галлюцинации». В одном из тестов в Pokémon Red бот неверно записал координаты Покецентра у горы Мун и из-за этого постоянно бродил вокруг, прыгал через односторонние уступы и возвращался к началу маршрута. В режиме простоя Claude сверил свои заметки с полным текстом прошедшей игры и обнаружил ошибку. ### От игры к реальным задачам: 420 миллионов токенов Эффективность «ночного размышления» проверили на больших массивах данных. Claude поручили проработать 350 000 внутренних документов компании Stainless общим объёмом около 420 миллионов токенов. За 128 периодов бездействия модель самостоятельно создала полноценную викисистему со структурированными данными и перекрёстными ссылками. Точность ответов на 25 сложных тестовых вопросов выросла с 13 до 48 процентов. В другом эксперименте, связанном с документами о слиянии компаний, база знаний, созданная в период бездействия, позволила отвечать с точностью до 87 процентов, тогда как обычный поиск в документах давал лишь 73 процента. ### Ограничения: вычислительная цена «сна» Разработчики честно указывают на пределы подхода: такие сеансы анализа требуют значительных вычислительных ресурсов, а избыточное количество информации в памяти способно перегружать последующие сессии работы модели. Тем не менее продемонстрированный механизм — самокоррекция во время простоя — рассматривается как один из путей к более устойчивой и «чистой» памяти ИИ-агентов. ## Проверка фактов и источники - [Claude научился "спать", как человек: ИИ исправляет собственные ошибки без подсказок](https://www.rbc.ua/ukr/news/claude-navchivsya-spati-k-shi-vipravlyae-1794321490.html) - Первоисточник основы статьи. Содержит все ключевые факты: тест в Pokémon Red, сравнение Sonnet 3.7 и Fable 5, механизм исправления координат Покецентра, эксперименты на данных Stainless (350 000 документов, 420 млн токенов, 128 периодов, 13→48%) и на документах о слияниях (87% vs 73%), а также признанные ограничения по вычислительным ресурсам. ## Частые вопросы ### Что такое «сон» у Claude и зачем он нужен? Это период бездействия, в котором модель анализирует накопленный опыт, упорядочивает память и исправляет собственные ошибки. Разработчики Anthropic сравнивают этот процесс со сном человека. ### Какие модели сравнивали в тесте Pokémon Red? Sonnet 3.7 хранила всё (413 файлов в 225 папках, ~978 000 символов) и получила 1 значок, тогда как Claude Fable 5 записывала точечно (10 файлов в 3 папках, ~43 400 символов) и получила 4 значка. ### Насколько «сон» улучшил работу на реальных данных? На 350 000 документах Stainless точность на 25 сложных вопросах выросла с 13 до 48%, а на документах о слияниях компаний — до 87% против 73% у обычного поиска.